基于PSO 優化BP 神經網絡的科技園區電力負荷預測

韋 波，焦豐順，鮑重廷，周 浩，張瑞鋒，高洪洋

（1.深圳供電局有限公司，廣東 深圳 5180015；2.清華大學深圳國際研究生院材料與器件檢測中心，廣東 深圳 518055）

0 引 言

深圳供電局在深圳灣科技生態園已建成的智能電網項目（B-TEC），是2014—2016 中美智能電網合作期間的4 個示范項目之一，是南方電網在智能配電網領域的代表性項目。該項目建設了智能光伏微電網，制定了需求側響應策略，開發了基于云平臺的智能計量與高級用能系統，集成并檢驗了智能化的調度、配電、用電、分布式能源及可視化展示等核心技術。通過技術集成與商業模式創新，為電網提升客戶服務能力進行了積極探索，提升了客戶體驗與價值。在未來亟需加強用戶電力預測方面的研究，短期高精度電網電力預測是實現智能電網的關鍵，可帶動“源-網-荷”智能化互聯，為綜合能源高效運行提供基礎支撐，保障電網安全、可靠與高效運行。

電力系統中的電力數據的精準預測是主動配電網邁向智能化的重要步驟。短期電網預測是電網電力預測的重要分支。短期電網預測一般指對將來連續數小時到以天為單位的電網負荷數據進行預測，對電網調度電力的合理支配性[1-2]、發電機組的最佳出力組合、節點潮流最優而言極為重要，尤其是對未來智能化配電網及其電力經濟性具有重要意義[3-5]。電網電力的預測精度的提升，還有利于減緩發電設備投資建設，同時提高現有機組的設備利用率[6-7]。

短期電網電力預測的探索由來已久，清華大學、華北電力大學、上海交通大學、國家電網、深圳汽航院等單位和康重慶、夏清[8]、牛東曉[9]、Chow Moyuen[10]、Willis H L[11]等許多電力方面的研究員，在理論和方法上做出大量的研究，有力地促進了電力預測精度的提升。在電力數據的預測過程中，大量的隨機因素不斷影響預測的精度，部分傳統的神經網絡因其擬合非線性的局限性，無法進一步提高預測精度，因此亟需不同技術理論之間的相互融合發展，以推動電力電網的短期預測水平的發展。本文中樓宇的短期電網電力數據特點有工作日和節假日電力規律各自的周期性，其中包括不同種類日內相同時段變化規律的相同性和近幾年法定節假日負荷數據規律的相似性。

針對電網電力負荷的短期數據預測，方法有同類型相似日預測、周期性時間序列法以及氣象因素的預測方法等。其中，BP 神經網絡因在擬合非線性函數問題上的優勢，在許多預測場景中被高頻使用，但其在訓練過程中易陷入局部最優，存在訓練難以快速收斂等缺點[12-13]。經研究得知，遺傳進化算法優化后的BP神經網絡精度高于未優化的BP 神經網絡，但仍存在局部尋優能力不足，易快速收斂、迭代速度慢等缺陷[14]。因此，本文提出PSO-BP 預測模型，避免了權值和閾值參數易陷入局部最優的困境，具有較強的泛化能力。最后，通過對深圳灣科技生態園的樓層負荷進行預測，分析優化后與未優化的各類指標，證明了本文所建立的短期預測模型的有效性。

1 粒子群優化BP 神經網絡模型設計

1.1 神經網絡結構設計

BP 神經網絡的通用思想是梯度下降法，關鍵因素是信息沿著拓撲正向傳遞，并反饋計算結果誤差。在信息傳遞過程中，參數信息從輸入通道經隱含層逐層處理到輸出通道。如果輸出的結果未能達到預期設定結果，需根據誤差結果和反向傳遞調整網絡權值和閾值參數，使得神經網絡預測的結果和已知輸出結果盡可能一致。本文為了彌補天氣數據的不足，提高電網電力數據的預測精確度，把輸入層設置了包含一天最高溫度、最低溫度、天氣、星期幾、是否節假日、每天時刻、預測點前的兩個歷史負荷值輸入等8 個輸入神經元。

隱含層節點數的選擇導致神經網絡的結構變化，也影響著預測精度的高低。在經驗公式的指導下，反復測試，根據結果得知可能的最佳隱藏層神經元的數量，并設置為最終訓練用隱含層結構。輸出層是預測的電力負荷Pout，為一個節點。BP 神經網絡的整體構造圖如圖1 所示。

圖1 BP 神經網絡的拓撲結構

1.2 粒子群算法設計

BP 神經網絡算法本身是非線性函數的“擬合器”，可將優化算法加入尋找最優目標值，否則算法很快會陷入局部最優值。

在一個D維的解空間內，有n個個體集合的解集X=(X1,X2,…,Xn)，其中第i個個體代表一個D維的向量Xi=[xi1,xi2,…,xiD]T，表示第i個個體在D維解的區域的位置，也表示為該問題的一個可能優質解。根據目標適應度函數，可得出每個個體參數集Xi相對的個體函數值。第i個個體的速度為Vi=[Vi1,Vi2,…,ViD]T，其個體極值為Pi=[pi1,pi2,…,piD]T，個體集合的全部極值為Pg=[pg1,pg2,…,pgD]T。

在每一次迭代計算中，個體通過其最優值和全局最優更新自己的速度和位置，變換公式為：

式中，w為權重因子；i=1,2,…,N；d=1,2,…,D；k為目前迭代計算的代數；Vid為個體的速度大小；c1和c2為非負定值數，也為加速度因子；r1和r2為出現在[0,1]中的隨機數。為防止算法個體的盲目搜尋，可將位置的區域和速度大小限制在一定范圍內；速度最大最小值[-Vmax,Vmax]及個體所在區域范圍[-Xmax,Xmax]對個體移動計算作限定。

粒子的適應度即均方差為：

式中：n為訓練集個數，c為結果輸出個數；Yij是第i個訓練樣本的第j次訓練的結果；Yij是第i個樣本的第j次輸出實際值。

采用粒子群進化算法對網絡的權值和閾值迭代優化，計算過程如下：

①設置個體個數、位置邊界[Xmin,Xmax]、個體移動速度的最大值和最小值[Vmin,Vmax]以及權重因子w、迭代終止條件和學習因子c1和c2，并對個體的位置xi與速度vi初始化；

遼東灣新區財政收支矛盾日趨突出,如何應對財政收支矛盾尖銳和資金壓力日趨突出難題,成為擺在各級財政部門面前突出的問題。下面以盤錦遼東灣新區為例，簡要分析近年來財政運行中存在的主要問題及困難，并從收入、支出以及財政預算管理等方面研究化解財政收支矛盾的對策思路。

②由輸入數據集和輸出數據集，利用式（3）算出每個個體適應度函數值，同時調整并記錄粒子的極值pbest和群體極值Gbest；

③根據式（1）和式（2）對個體的速度和位置進行迭代更新；

④根據下式計算個體的速度和位置，不符合條件的按約束調整；

若Vi＞Vmax，則Vi=Vmax；若Vi＜Vmin，則Vi=Vmin；

若xi＞Xmax，則xi=Xmax；若xi＜Xmin，則xi=Xmin。

⑤重新計算粒子適應度值；

⑥是否達到結束要求，若目前迭代次數計算等于之前設定的停止條件，則結束迭代；否則，返回步驟①進行循環操作。

2 算例仿真

案例中，輸入參數與BP 神經網絡預測負荷相同，有8 個參數輸入和1 個誤差參數輸出。該神經網絡的構造為8-5-1，據神經網絡計算法則得45 個權值和6 個閾值，因此算法設置的個體長度是51。粒子群參數設置為：學習因子1.49，迭代次數100，種群規模20，速度上下限和位置邊界的絕對值為5。

圖2 算法流程

由圖3～圖7 可知，10 棟A 座8 樓上半年幾乎沒有負荷數據產生，下半年數據是典型的M 型寫字樓工作日負荷曲線，與辦公用電性質吻合、特點明顯。因此，選取數據較為完整且有意義的下半年數據進行網絡訓練用以預測。選取深圳灣科技生態園10 棟A 座8 層7月1日至12月27日負荷及天氣得到4 320 組輸入輸出數據。前4 296 組數據將作為訓練數據，用于網絡訓練；剩余24 組作為測試數據，即預測27日負荷。把訓練數據的均方差作為個體適應度值，個體適應度值越小，該個體越優。此外，7月1日至12月31日最高最低溫度如圖8 所示。

圖3 2018年深圳灣10 棟 A 座 8 層負荷

圖4 2018年深圳灣10 棟A 座8 層半年負荷

圖5 2018年1月1日至 6月30日負荷

圖6 2018年7月1日至 12月31日負荷

圖7 7月1日至12月31日星期類型負荷

圖8 7月1日至12月31日最高最低溫度

從圖9、圖10 和表1 可以看出，經過PSO 優化過的BP 神經網絡預測精度提高明顯，具有重要的實際應用意義。

圖9 PSO-BP 與BP 預測值對比

圖10 PSO-BP 與BP 絕對誤差百分比對比

為進一步驗證預測算法的合理性和有效性，采用該算法分別預測連續工作日、星期五和星期六、星期日和星期一的兩日負荷，預測結果如圖11～圖13 所示。

圖11 預測連續工作日負荷

負荷預測值用于實際調度規劃時，須考慮預測誤差給調度帶來的影響。本文提出的方法中需要考慮以預測值的±10%作為負荷波動的上下限考慮調度優化，如圖14 所示。

3 結 論

通過采用PSO 算法優化BP 神經網絡的初始權值與閾值，可以解決BP 神經網絡初始權值和閾值確定的低效性、訓練易早期陷入局部最優。建立的PSO-BP模型可以預測負荷趨勢，可較為精確地預測居民用電，提高電網電力數據預測精度，具有較好的全局尋優能力，較為精確地預測了科技園區用戶用電規律，具有一定的現實指導意義。后續工作可以通過改變進化代數、網絡結構等方法，進一步提高電力負荷預測精度。

表1 兩種方法預測指標

圖12 預測星期五和星期六

圖13 預測12月23日和24日負荷

圖14 預測負荷用于調度使用的誤差帶